基于混合专家的持续交通预测
机器学习
2024-06-06 v1
摘要
实际的交通网络通过安装新的传感器而不断扩展，这意味着交通模式随时间持续演变。对新添加的传感器进行增量训练模型会导致模型遗忘过去的知识，即灾难性遗忘，而对整个网络重新训练以捕捉这些变化则效率极低。为解决这些挑战，我们提出了一种新型交通预测混合专家（TFMoE）用于在演化中的网络上进行交通预测。主要思想是将交通流分割为多个均匀的组，并为特定的组分配一个负责专家模型。这使得每个专家模型能够专注于学习和适应特定的一组模式，同时最小化训练期间的专家之间的干扰，从而防止先前知识的稀释或替换，这是灾难性遗忘的主要原因。通过在真实世界的长期流式网络数据集上进行大量实验，展示了TFMoE的有效性和效率。我们的结果显示，在应对持续学习中处理长期流式网络交通流预测方面，TFMoE在灾难性遗忘方面表现出优越的性能和韧性，凸显了我们方法的有效性。
引用
@article{arxiv.2406.03140,
title = {Continual Traffic Forecasting via Mixture of Experts},
author = {Sanghyun Lee and Chanyoung Park},
journal= {arXiv preprint arXiv:2406.03140},
year = {2024}
}